甘肃省发热伴出疹症候群病原流行特征及核心病原趋势预测研究
发布时间：2021-02-24 23:02
目的:了解甘肃省发热伴出疹症候群（Rash and fever syndrome,RFS）病例分布特征和病原流行规律,明确高危人群和核心病原,建立核心病原阳性率预测模型,为甘肃省RFS监测和相关疾病预警防控提供科学依据。方法:采用描述性研究和预测性研究方法,对2010年5月-2018年10月甘肃省RFS监测病例进行统计描述,分析病原检测检出及相关构成状况,揭示病原流行特征。以核心病原流行态势为基础,构建SARIMA模型,在此基础上结合GRNN、NARNN神经网络模型,建立SARIMA-GRNN和SARIMA-NARNN组合预测模型,对核心病原阳性率进行拟合预测,比较各模型的MSE、MAE和MPAE值,评价拟合效果,确定甘肃省RFS核心病原阳性率最佳预测模型。结果:1.2010年5月-2018年10月甘肃省RFS共监测病例4720例,实验室检测4213例,其中阳性病例2189例,阳性率为51.96%;除2015年（82.29%）外,其余各年阳性率均在40%55%区间波动。2.阳性病例男性多于女性,两者阳性率差异无统计学意义（P=0.201）,散居和幼托儿童占比分别为...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
SARIMA模型构建流程图
兰州大学硕士学位论文甘肃省发热伴出疹症候群病原流行特征及核心病原趋势预测研究12到的拟合值作为输入，实际值为输出，通过GRNN模型的非线性逼近能力对SARIMA模型的拟合值进行误差修正。具体建模步骤如下：（1）确定输入输出变量：以SARIMA模型的拟合值为GRNN模型的输入变量，以同期对应的序列实际值为输出变量，构成GRNN训练集。（2）数据归一化处理：归一化处理的目的是为了消除量纲的影响，常用的归一化处理方法有两种，可分别将数据转化为[0,1]和[-1,1]区间的值。最大最小归一法：t其中minx为序列最小值，t为序列最大值。正态归一法：μ其中μ为样本均值，为样本标准差。本研究中阳性率已经落在[0,1]区间，故不再进行归一化处理。（3）网络建立与训练：利用newgrnn函数构建GRNN模型，核心语句为：net=newgrnn(P,T,spread)，P为输入变量，T为输出变量，spread为最优光滑因子；最优光滑因子的确定采用交叉验证法，计算输入输出变量的误差值对应的MSE值，当MSE最小时对应的spread即为最优。（4）模型预测：以SARIMA模型2018年1月-2018年10月的预测值作为输入变量P1，利用（3）中构建的GRNN模型进行预测，核心语句为：yc=sim(net，P1)，则得到SARIMA-GRNN模型预测值。SARIMA-GRNN模型构建流程图如下所示：图2-2SARIMA-GRNN模型构建流程图
兰州大学硕士学位论文甘肃省发热伴出疹症候群病原流行特征及核心病原趋势预测研究132.2.3SARIMA-NARNN模型理论与构建流程神经网络按照是否存在反馈和记忆可分为静态神经网络和动态神经网络，动态神经网络通过反馈和记忆功能，将前一时刻的数据加入下一时刻数据的计算中，使网络不仅具有动态性而且能完整保留系统信息[70]。NARNN作为动态神经网络之一，具有较好的动态性和抗干扰能力，其性能优于全回归神经网络，且可以和全回归神经网络相互转换，已成为估计动态系统和研究高度非平稳非线性序列的有力工具，十分适用于时间序列数据预测。典型的NARNN由输入层、隐层、输出层及输入输出延时构成，在建模之前需事先确定输入输出的延时阶数、隐层神经元个数等。基本结构如图2-3所示：图2-3NAR神经网络结构示意图NARNN模型可表示为：t,,,其中为神经网络输出，为延时阶数，t为用神经网络实现的非线性函数。由公式可知，NARNN的输出仅取决于延迟期前的数据。建模数据被随机划分为训练集、验证集和测试集，训练集用来确定模型参数，验证集通过避免过拟合来提高模型泛化能力，测试集作为评价模型性能的独立测试。延迟阶数和隐层神经元个数选取目前尚无成熟的理论依据，只能凭经验反复尝试确定，模型训练采用Levenberg-Marquardt算法，根据误差自相关图、时间序列响应图、MSE和相关系数R2确定最优模型。标准NARNN结构中网络输出被反馈到输入端，此模式也称闭环模式（Close-loop），见图2-4。但由于实际训练过程中，期望的输出是已知的，为提高模型训练的效率和预测的准确性，在训练过程中使用开环模式（Open-loop），训练完成后使用closeloop函数将开环改为闭环进行多步预测。
【参考文献】：
期刊论文
[1]2010-2017年上海市浦东新区发热伴出疹性疾病病原学分析[J]. 费怡,邓鹏飞,杨天,杨来宝,王卫平,王琦璋,周翠萍,郝莉鹏. 中华疾病控制杂志. 2019(05)
[2]GM（1,1）灰色模型、马尔可夫链模型及其组合模型和SARIMA模型在甲肝发病数预测中的应用效果比较[J]. 刘天,王芸,姚梦雷,黄继贵,吴杨,童叶青. 华南预防医学. 2019(02)
[3]中国东部儿童家长对EV71疫苗接受率的Meta分析[J]. 郝艳会,石雷. 热带医学杂志. 2019(03)
[4]我国儿童家长对EV 71疫苗知晓率与接受率的Meta分析[J]. 彭锐豪,曾路情,韦薇,徐昌圆,曹彦,陈唯,夏苏建. 华南预防医学. 2018(05)
[5]义乌市育龄期妇女风疹相关知识、态度和行为调查[J]. 吴非,陶静波,骆伟彪,贾建伟,楼灵巧. 上海预防医学. 2018(07)
[6]SARIMA-Markov模型在船舶交通流量预测中的应用[J]. 江福才,范庆波,马全党,张帆,马勇. 武汉理工大学学报(交通科学与工程版). 2018(04)
[7]ARIMA乘积季节模型与广义回归神经网络模型在布鲁菌病发病预测的比较[J]. 马洁,田野,黄璐,孟维静,王素珍,石福艳. 山东大学学报(医学版). 2018(06)
[8]发热症状监测在前瞻性登革热早期暴发中的应用[J]. 陈武,吴生根,欧剑鸣,翁育伟,王灵岚,王金章. 海峡预防医学杂志. 2018(02)
[9]2009～2015年中国山西省发热伴出疹症候群病毒性病原谱流行特征[J]. 邱琪,柴志凯,郜慧,任斌知,常少英,许文波,王英,崔爱利. 病毒学报. 2017(02)
[10]黑龙江省2012-2014年发热出疹性疾病病原谱分析[J]. 杨明,陈淑红,王开利,陈宇航,周广恩,华华,胡泉博,李冀宏. 中国公共卫生管理. 2016(05)
硕士论文
[1]山西省人间布病的流行特征及基于ARIMA-ERNN组合模型预测效果研究[D]. 李文瀚.山西医科大学 2019
[2]儿童出疹性疾病病因分析及特应性体质对其病因分布的影响[D]. 左彩芸.山西医科大学 2018
[3]20092015年山西省发热伴出疹症候群病毒性病原谱的构成及人细小病毒B19的基因特征[D]. 邱琪.中国疾病预防控制中心 2017
[4]邵阳市2004-2013年艾滋病流行特征及ARIMA-BP组合模型在艾滋病预测中的应用[D]. 朱宁.南华大学 2015
本文编号：3050066
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
SARIMA模型构建流程图
兰州大学硕士学位论文甘肃省发热伴出疹症候群病原流行特征及核心病原趋势预测研究12到的拟合值作为输入，实际值为输出，通过GRNN模型的非线性逼近能力对SARIMA模型的拟合值进行误差修正。具体建模步骤如下：（1）确定输入输出变量：以SARIMA模型的拟合值为GRNN模型的输入变量，以同期对应的序列实际值为输出变量，构成GRNN训练集。（2）数据归一化处理：归一化处理的目的是为了消除量纲的影响，常用的归一化处理方法有两种，可分别将数据转化为[0,1]和[-1,1]区间的值。最大最小归一法：t其中minx为序列最小值，t为序列最大值。正态归一法：μ其中μ为样本均值，为样本标准差。本研究中阳性率已经落在[0,1]区间，故不再进行归一化处理。（3）网络建立与训练：利用newgrnn函数构建GRNN模型，核心语句为：net=newgrnn(P,T,spread)，P为输入变量，T为输出变量，spread为最优光滑因子；最优光滑因子的确定采用交叉验证法，计算输入输出变量的误差值对应的MSE值，当MSE最小时对应的spread即为最优。（4）模型预测：以SARIMA模型2018年1月-2018年10月的预测值作为输入变量P1，利用（3）中构建的GRNN模型进行预测，核心语句为：yc=sim(net，P1)，则得到SARIMA-GRNN模型预测值。SARIMA-GRNN模型构建流程图如下所示：图2-2SARIMA-GRNN模型构建流程图
兰州大学硕士学位论文甘肃省发热伴出疹症候群病原流行特征及核心病原趋势预测研究132.2.3SARIMA-NARNN模型理论与构建流程神经网络按照是否存在反馈和记忆可分为静态神经网络和动态神经网络，动态神经网络通过反馈和记忆功能，将前一时刻的数据加入下一时刻数据的计算中，使网络不仅具有动态性而且能完整保留系统信息[70]。NARNN作为动态神经网络之一，具有较好的动态性和抗干扰能力，其性能优于全回归神经网络，且可以和全回归神经网络相互转换，已成为估计动态系统和研究高度非平稳非线性序列的有力工具，十分适用于时间序列数据预测。典型的NARNN由输入层、隐层、输出层及输入输出延时构成，在建模之前需事先确定输入输出的延时阶数、隐层神经元个数等。基本结构如图2-3所示：图2-3NAR神经网络结构示意图NARNN模型可表示为：t,,,其中为神经网络输出，为延时阶数，t为用神经网络实现的非线性函数。由公式可知，NARNN的输出仅取决于延迟期前的数据。建模数据被随机划分为训练集、验证集和测试集，训练集用来确定模型参数，验证集通过避免过拟合来提高模型泛化能力，测试集作为评价模型性能的独立测试。延迟阶数和隐层神经元个数选取目前尚无成熟的理论依据，只能凭经验反复尝试确定，模型训练采用Levenberg-Marquardt算法，根据误差自相关图、时间序列响应图、MSE和相关系数R2确定最优模型。标准NARNN结构中网络输出被反馈到输入端，此模式也称闭环模式（Close-loop），见图2-4。但由于实际训练过程中，期望的输出是已知的，为提高模型训练的效率和预测的准确性，在训练过程中使用开环模式（Open-loop），训练完成后使用closeloop函数将开环改为闭环进行多步预测。
【参考文献】：
期刊论文
[1]2010-2017年上海市浦东新区发热伴出疹性疾病病原学分析[J]. 费怡,邓鹏飞,杨天,杨来宝,王卫平,王琦璋,周翠萍,郝莉鹏. 中华疾病控制杂志. 2019(05)
[2]GM（1,1）灰色模型、马尔可夫链模型及其组合模型和SARIMA模型在甲肝发病数预测中的应用效果比较[J]. 刘天,王芸,姚梦雷,黄继贵,吴杨,童叶青. 华南预防医学. 2019(02)
[3]中国东部儿童家长对EV71疫苗接受率的Meta分析[J]. 郝艳会,石雷. 热带医学杂志. 2019(03)
[4]我国儿童家长对EV 71疫苗知晓率与接受率的Meta分析[J]. 彭锐豪,曾路情,韦薇,徐昌圆,曹彦,陈唯,夏苏建. 华南预防医学. 2018(05)
[5]义乌市育龄期妇女风疹相关知识、态度和行为调查[J]. 吴非,陶静波,骆伟彪,贾建伟,楼灵巧. 上海预防医学. 2018(07)
[6]SARIMA-Markov模型在船舶交通流量预测中的应用[J]. 江福才,范庆波,马全党,张帆,马勇. 武汉理工大学学报(交通科学与工程版). 2018(04)
[7]ARIMA乘积季节模型与广义回归神经网络模型在布鲁菌病发病预测的比较[J]. 马洁,田野,黄璐,孟维静,王素珍,石福艳. 山东大学学报(医学版). 2018(06)
[8]发热症状监测在前瞻性登革热早期暴发中的应用[J]. 陈武,吴生根,欧剑鸣,翁育伟,王灵岚,王金章. 海峡预防医学杂志. 2018(02)
[9]2009～2015年中国山西省发热伴出疹症候群病毒性病原谱流行特征[J]. 邱琪,柴志凯,郜慧,任斌知,常少英,许文波,王英,崔爱利. 病毒学报. 2017(02)
[10]黑龙江省2012-2014年发热出疹性疾病病原谱分析[J]. 杨明,陈淑红,王开利,陈宇航,周广恩,华华,胡泉博,李冀宏. 中国公共卫生管理. 2016(05)
硕士论文
[1]山西省人间布病的流行特征及基于ARIMA-ERNN组合模型预测效果研究[D]. 李文瀚.山西医科大学 2019
[2]儿童出疹性疾病病因分析及特应性体质对其病因分布的影响[D]. 左彩芸.山西医科大学 2018
[3]20092015年山西省发热伴出疹症候群病毒性病原谱的构成及人细小病毒B19的基因特征[D]. 邱琪.中国疾病预防控制中心 2017
[4]邵阳市2004-2013年艾滋病流行特征及ARIMA-BP组合模型在艾滋病预测中的应用[D]. 朱宁.南华大学 2015
本文编号：3050066
本文链接：https://www.wllwen.com/yixuelunwen/yufangyixuelunwen/3050066.html
最近更新
教材专著
